在pandas中进行一种单热编码的有效方法[重复]

Question

这个问题在这里已有答案：

• Transforming a Column into Multiple Columns according to Their Values 2回答

这个问题类似于this one，但有一个区别：这里有一个数据帧列中的值列表，而不是单个值。

假设我们有一个pandas数据框，其中一列名为words。它包含文档中可用的单词索引。例如，在以下数据框中，有两个文档，其中第一个包含单词['a','b']，第二个包含['a','c','d']。

df = pd.DataFrame()
df['words'] = [['a','b'],['a','c','d']]

我想将words列转换为不同的二进制列，每个单词一列。以上数据框将转换为：

df['a'] = [True, True]
df['b'] = [True, False]
df['c'] = [False, True]
df['d'] = [False, True]

现在，我有以下代码，它迭代w列中可用的不同单词words。

df[w] = [w in word_list for word_list in df['words']]

显然，它很慢。有没有一种有效的方法来做到这一点？

Answer 1

一种方法是使用get_dummies

In [31]: pd.get_dummies(df.words.apply(pd.Series).stack()).sum(level=0).astype(bool)
Out[31]:
      a      b      c      d
0  True   True  False  False
1  True  False   True   True

另一种方法，假设您没有字符串中的|，或使用任何其他分隔符

In [50]: df.words.str.join('|').str.get_dummies('|').astype(bool)
Out[50]:
      a      b      c      d
0  True   True  False  False
1  True  False   True   True

对于单一价值。

In [68]: df['a'] = df.words.apply(lambda x: 'a' in x)  # or ['a' in x for x in df.words]